Kırşehir yöresindeki fotovoltaik güç santrallerinin uzun dönemli performans analizi ve yapay zeka tabanlı verim tahminlemesi

Abstract

Bu çalışmada, Türkiye'nin İç Anadolu Bölgesi'nde yer alan Kırşehir yöresindeki dokuz adet fotovoltaik (PV) güç santralinin beş yıllık (2020-2025) üretim performansı, yapay zeka teknikleri kullanılarak detaylı bir şekilde analiz edilmiştir. Çalışmanın temel amacı, santral performansını etkileyen kritik meteorolojik faktörleri belirlemek, santraller arasında verimlilik ve istikrar (volatilite) açısından karşılaştırmalar yapmak ve geleceğe yönelik bir üretim tahmin modeli geliştirmektir. Bu hedefler doğrultusunda, santrallerin günlük üretim verileri, yüksek çözünürlüklü güneş radyasyonu, sıcaklık, bulutluluk oranı gibi meteorolojik verilerle entegre edilmiştir. Enerji üretimini modellemek ve tahmin etmek için güçlü bir makine öğrenmesi algoritması olan Rastgele Orman (Random Forest) regresyon modeli kullanılarak eğitilmiştir. Analiz sonuçları, güneş radyasyonunun üretim üzerindeki en baskın faktör olduğunu, bunu mevsimsel döngünün ve bulutluluk oranının takip ettiğini ortaya koymuştur. Santraller arası karşılaştırmalı analizler, normalize edilmiş verimlilik ve üretim istikrarı açısından önemli farklılıklar olduğunu göstermiştir. Geliştirilen modelin, anormal üretim günlerini tespit etme ve gelecek yıllara yönelik senaryo bazlı üretim tahminleri oluşturmada başarılı olduğu kanıtlanmıştır. Bu çalışma, çoklu santral performansının yapay zeka ile karşılaştırmalı analizine yönelik kapsamlı bir vaka analizi sunarak, PV santral operatörleri, yatırımcılar ve politika yapıcılar için veri odaklı, değerli içgörüler sağlamaktadır.

Keywords

• Fotovoltaik Güç Santrali
• performans Analizi
• Yapay zeka
• rastgele orman regresyonu
• Kırşehir
• yenilenebilir enerji

Long-Term Performance Analysis and Artificial Intelligence-Based Yield Prediction of Photovoltaic Power Plants in the Kırşehir Region

Abstract

In this study, the five-year (2020-2025) production performance of nine photovoltaic (PV) power plants, located in the Kırşehir province of Turkey's Central Anatolia Region, is comprehensively analyzed using artificial intelligence (AI) techniques. The primary objective of this research is to identify the critical meteorological factors influencing plant performance, conduct comparative analyses among the plants regarding efficiency and stability (volatility), and develop a predictive model for future generation forecasting. To achieve these objectives, daily production data from the plants were integrated with meteorological data, including high-resolution solar radiation, temperature, and cloud cover. A robust machine learning algorithm, the Random Forest (RF) regression model, was trained to model and predict energy generation. The analysis results revealed that solar radiation is the most dominant factor influencing production, followed by seasonal cycles and cloud cover. Inter-plant comparative analyses demonstrated significant differences in terms of normalized efficiency and production stability. The developed model proved successful in identifying anomalous production days and generating scenario-based generation forecasts for future years. This research presents a comprehensive case study on the comparative analysis of multi-plant performance using AI, providing data-driven, valuable insights for PV plant operators, investors, and policymakers.

Keywords

• Photovoltaic Power Plant
• Performance Analysis
• Artifical Intelligence
• Random Forest Regression
• Kirsehir
• Renewable Energy

References

1. [1] International Energy Agency. (2021). Turkey 2021 - Energy policy review. IEA.
2. [2] Wen, X., Shen, Q., Zheng, W., & Zhang, H. (2024). AI-driven solar energy generation and smart grid integration: A holistic approach to enhancing renewable energy efficiency. Academia Nexus Journal, 3(2).
3. [3] Çeçen, M., Yavuz, C., Tırmıkçı, C. A., Sarıkaya, S., & Yanıkoğlu, E. (2022). Analysis and evaluation of distributed photovoltaic generation in electrical energy production and related regulations of Turkey. Clean Technologies and Environmental Policy, 24(5), 1321-1336.
4. [4] Alparslan, U., & Yıldırım, A. (2023, 11 Aralık). Türkiye can expand solar by 120 GW through rooftops. Ember.
5. [5] T.C. Enerji ve Tabii Kaynaklar Bakanlığı. (2022). Türkiye ulusal enerji planı.
6. [6] Dellosa, J. T., & Palconit, E. C. (2021, Eylül). Artificial Intelligence (AI) in renewable energy systems: A condensed review of its applications and techniques. 2021 IEEE International Conference on Environment and Electrical Engineering and 2021 IEEE Industrial and Commercial Power Systems Europe (EEEIC/I&CPS Europe) (ss. 1-6). IEEE.
7. [7] Duffie, J. A., & Beckman, W. A. (2013). Solar engineering of thermal processes. John Wiley & Sons.
8. [8] Assouline, D., Mohajeri, N., & Scartezzini, J. L. (2017). Quantifying rooftop photovoltaic solar energy potential: a machine learning approach. Solar Energy, 141, 278-296.

9. [9] Jobayer, M., Shaikat, M. A. H., Rashid, M. N., & Hasan, M. R. (2023). A systematic review on predicting PV system parameters using machine learning. Heliyon, 9(6), e17446.
10. [10] Reşat, H. G. (2020). Sürdürülebilir enerji yönetimi için yapay sinir ağları ve ARIMA metotları kullanılarak melez tahmin modelinin tasarlanması ve geliştirilmesi: Tütün endüstrisinde vaka çalışması. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 35(3), 1129-1140.
11. [11] Gün, A. R. (2023). Kısa dönemli fotovoltaik güç tahmini için geliştirilen yenilikçi bir hibrit modelin analizi ve uygulaması [Doktora tezi, Bilecik Şeyh Edebali Üniversitesi].
12. [12] Macit Sezikli, N. (2023). Makine öğrenmesi yöntemiyle yenilenebilir güneş enerjisi üretiminin meteorolojik veriler kullanılarak tahmin analizi [Yüksek lisans tezi, İstanbul Gelişim Üniversitesi].
13. [13] Yüzer, E. Ö., Bozkurt, A., & Barutçu, İ. Ç. (2023). Fotovoltaik sistem çıkış gücünün yapay sinir ağları ve MATLAB/Simulink modellerinin entegrasyonu ile belirlenmesi. Mühendislik Bilimleri ve Tasarım Dergisi, 11(2), 551-563.
14. [14] Arslankaya, S., & Toprak, Ş. (2021). Makine öğrenmesi ve derin öğrenme algoritmalarını kullanarak hisse senedi fiyat tahmini. International Journal of Engineering Research and Development, 13(1), 178-192.
15. [15] Turgut, A., Temir, A., Aksoy, B., & Özsoy, K. (2019). Yapay zekâ yöntemleri ile hava sıcaklığı tahmini için sistem tasarımı ve uygulaması. International Journal of 3D Printing Technologies and Digital Industry, 3(3), 244-253.
16. [16] Wang, F. K., & Mamo, T. (2020). Gradient boosted regression model for the degradation analysis of prismatic cells. Computers & Industrial Engineering, 144, 106494.
17. [17] Motamedi, B., & Villányi, B. (2024). A predictive analytics model with Bayesian-Optimized Ensemble Decision Trees for enhanced crop recommendation. Decision Analytics Journal, 12, 100516.
18. [18] Coskun, C., Koçyiğit, N., & Oktay, Z. (2016). Estimation of pv module surface temperature using artificial neural networks. Mugla Journal of Science and Technology, 2(2), 15-18.
19. [19] Coskun, C., & Oktay, Z. (2019). An advanced simple method for generating synthetic average instant hourly solar energy. Journal of Management Science & Engineering Research, 1(1), 1–6.
20. [20] Bacher, P., Madsen, H., & Nielsen, H. A. (2009). Online short-term solar power forecasting. Solar Energy, 83(10), 1772-1783.
21. [21] Das, U., Tey, K., & Seyedmahmoudian, M. (2017). SVR-based model to forecast PV power generation under different weather conditions. Energies, 10(7), 87.
22. [22] Haydaroğlu, C., & Gümüş, B. (2016). Dicle Üniversitesi güneş enerjisi santralinin PVsyst ile simülasyonu ve performans parametrelerinin değerlendirilmesi. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 7(3), 491-500.
23. [23] Boztepe, M. (2017). Fotovoltaik güç sistemlerinde verimliliği etkileyen parametreler. EMO İzmir Şubesi Aylık Bülteni, 321, 13-17.
24. [24] Kılınç, E. (2019). Polikristal yapılı fotovoltaik panellerin laboratuvar testleri ve fizibilite çalışmaları ile saha uygulaması sonuçlarının karşılaştırılması [Yüksek lisans tezi, Marmara Üniversitesi].
25. [25] Güneş, F. (2021). Akıllı şehirler ve veri analitiği- sinyalize kavşakların performans değerlendirilmesinde analitik yöntemler ve trafik akımının kuyruk teorisi ile modellenmesi [Doktora tezi, İstanbul Ticaret Üniversitesi].
26. [26] Kölemenoğlu, Ş. (2024). Güneş enerjisi santrallerinde tasarım, kurulum hataları ve işletme aşamasında yaşanan arıza durumlarının değerlendirilmesi [Yüksek lisans tezi, Sivas Cumhuriyet Üniversitesi].